MmWave Beam Prediction with Situational Awareness: A Machine Learning Approach

背景

高移动性的车辆环境下，车辆经历断断续续的阻塞，需要频繁的波束重新对准以保持高数据速率的传输链路，目前ieee802.11 ad所采用的解决方案不能满足许多车辆应用中低开销和低延迟的要求

贡献

提出了一种新的框架，利用机器学习工具和态势感知的可用性来预测毫米波波束功率。使用车辆位置作为特征来预测波束码本中任何波束的接收功率，低或几乎为零的反馈开销

方法

一、数据集建立

A、仿真场景

B、信道模型

从射线跟踪输出中，可得到路径信息（L条多径）

信道模型表达式：

Codebook产生：[18]总共 发射天线数量*接收天线数量 个波束对
推出接收信号功率：

则寻找最佳波束对方法：

C、功率量化

为什么要功率量化：基站无法通过信道反馈获得接收端的功率的准确值，只有量化后的CQIs和相应的束对索引被反馈给基础结构，因此，在表I的第一行，是由(2)得到的仿真连续接收功率，需要被某种量化规则量化。

学习模型

概述：对环境特征的编码规则和预测波束功率的方法
效果：可以预测第一、第二强度。。。的波束

A、编码几何结构

对位置编码：使用简单的笛卡尔坐标系，坐标原点设置在接收端

***特征向量***如下，其中r为RSU在笛卡尔坐标下的位置，t代表卡车，c代表低高度的汽车，下标1和2表示车辆所在的车道索引。

t1向量表示如下，并且按照x坐标排序，保持数组向量内始终N对元素，多则删，少则添加虚拟卡车的坐标使得x->无穷

B、反馈问题

接收端反馈到发射端的信息包括最佳的M个波束的接收功率以及相应的波束对索引*。然而波束对的功率有限，我们对他们的功率按照降序排列：

对前M个进行表I第四行的回归操作。

性能评估

A、性能指标的定义

真实功率、和预测功率分别为：

对齐概率：
定义实现吞吐量比值：

B、回归模型

各种回归方法的精度，结果显示随机森林回归最有效，因为它能够隐式地选择特征，并通过集合进行很好的概括。此外，随机森林训练速度快，是一种很有前途的学习方法，可以应用于工业现场实现

C、不同等级的环境感知

结论：第一车道和第二车道的位置信息包含很多与波束选择相关的信息，低高度的车两影响不大

CQI量化(信道质量指示器)